劉春旭　王劍鋒

摘 要：本文以交叉口的平均延誤、平均停車次數(shù)、通行能力為控制目標，建立了多目標信號控制模型，并利用自適應遺傳優(yōu)化算法求解，最后在matlab中進行實例仿真，仿真結(jié)果表明，本文所提信號控制模型比傳統(tǒng)的Webster法好，同時自適應遺傳算法比普通遺傳算法求解更快、更準。

關鍵詞：交叉口；信號配時；多目標；自適應遺傳算法

中圖分類號：U491 文獻標識碼：A 文章編號：1671-2064（2017）22-0012-02

交通規(guī)劃是城市整體規(guī)劃的重要組成部分，而交叉口控制則是交通規(guī)劃應予以重視和考慮的問題。傳統(tǒng)信號控制采取定時信號控制，而路網(wǎng)的交通狀況是實時變化的，則定時信號控制方案難以對路口進行最優(yōu)控制。并且，國內(nèi)外學者研究最多的則是單目標信號控制模型，評價延誤、排隊長度、停車次數(shù)、通行能力等單一評價指標則是近年來的研究重點，然而，人們在進行城市路口信號控制時，追求的是多種控制目標，因此本文以平均延誤、通行能力、平均停車次數(shù)作為平均指標，對各優(yōu)化目標采取建立多目標優(yōu)化模型，并利用自適應遺傳算法求解。

1 多目標函數(shù)的建立

1.1 常用的單目標函數(shù)

（1）車輛的平均延誤：

通常情況由于車道的增量

信號相位階段數(shù)；損失時間；控制評價函數(shù)的權(quán)重系數(shù)；C實際信號配時中的周期；最大周期；最小周期；、-、分別表示相位的最大平均延誤、最大通行能力、最大平均停車次數(shù)；、-、分別表示相位的最小平均延誤、最小通行能力、最小平均停車次數(shù)。

2 目標函數(shù)的優(yōu)化

3 自適應遺傳算法求解多目標函數(shù)

3.1 自適應遺傳算法

自適應遺傳算法同普通遺傳算法的區(qū)別在于，不采用固定個參數(shù)，交叉概率和變異概率能夠隨適應度的變化而相應變化。在自適應遺傳算法中，交叉概率和變異概率按式（8）和式（9）調(diào)整：

3.2 具體步驟

Step1：設置種群數(shù)個數(shù)、染色體的長度、總迭代次數(shù)，最小相位綠燈時間，最小周期與最大周期。

Step2：采用實數(shù)編碼，在可行域內(nèi)隨機產(chǎn)生種群數(shù)目大小的染色體。

Step3：計算每個個體目標函數(shù)及適應度值，由于PI值在0～1之間則：。

Step4：所有個體（包括父代、子代）進行排序選擇操作，挑選出同種群大小的新種群。

Step5：隨機配對個體以的交叉概率進行交叉操作。

Step6：種群內(nèi)個體以的變異概率變異操作。

Step7：判斷在選擇、交叉、變異、復制后所產(chǎn)生新群體個體個數(shù)是否等于設定群體數(shù)目大小，如是則進行下一步，否則返回Step4。

Step8：判斷是否達到迭代總數(shù)，若沒有，則返回Step3；否則，輸出最佳個體（最佳信號配時方案，即周期，各相位綠燈時間）。

4 實例分析

4.1 路口選取及渠化

本文以重慶臨江門交叉口為例，如圖1，交通調(diào)查獲得交叉口高峰時段的最高15min流量，折算處理后，如圖2。

該交叉口無行人和非機動車輛，為三相位定時信號，周期132s，黃燈時間3s，全紅時間1s，第一相位時間40s，第二相位時間38s，第三相位時間42s。交叉口現(xiàn)狀實測延誤89s，服務水平F級。

現(xiàn)狀北區(qū)路左轉(zhuǎn)和直行車流量相差并不大，左轉(zhuǎn)車道為3車道，而直行車道為1車道，則北區(qū)方向左轉(zhuǎn)和直行均為兩車道?，F(xiàn)狀臨江東路車道的左轉(zhuǎn)車輛和直行車輛所占比例較大，直行增加一車道，右轉(zhuǎn)增加一車道。

信號控制方案推薦四相位控制，右轉(zhuǎn)車輛不控制，相位一：北區(qū)路-中華路，北區(qū)路-臨江東路；相位二：臨江東路直行，左轉(zhuǎn)；相位三：中華路直行，左轉(zhuǎn)；相位4：臨江西路直行。

4.2 路口交通流數(shù)據(jù)檢測

交叉口各進口方向每條車道停車線前1m處安裝了環(huán)形感應線圈檢測器，檢測器能夠一天24小時檢測出每車道上的交通流。由于凌晨00：00-04：00，人和車流量稀少，交通信號控制燈在這時間段為綠閃，選擇某工作日04：00-24：00共300組交通流量。

4.3 參數(shù)的設置

（1）參數(shù)的設定。黃燈時間；全紅時間；綠燈間隔時間：；綠前、綠后損失：；損失時間：。

（2）最小綠燈時間計算。

式中：行人過街道長度，m；行人過街步速，取1.0；綠燈間隔時間，s。

（3）周期和飽和度的最值。本文中最大周期為：，飽和度的最大值為=0.9，最小值為0.7。

（4）優(yōu)化算法的參數(shù)設置。普通遺傳算法（交叉概率和變異概率分別為0.9和0.01）和自適應遺傳算法的最大進化代數(shù)和初始種群都分別為300和50，染色體長度實數(shù)編碼即變量個數(shù)。

（5）計算、、-、-、、6個界定值。根據(jù)路口現(xiàn)有高峰小時各方向交通流量，采用自適應遺傳算法（最大迭代次數(shù)為500、粒子數(shù)目為20）分別計算各最值。

4.4 仿真分析

運用Webster法、遺傳優(yōu)化法和自適應遺傳優(yōu)化法分別計算出此路口各階段的周期時長、有效綠燈時間、平均停車次數(shù)、平均延誤和通行能力。

仿真后，本文所提控制方法，路口的平均延誤、平均停車次數(shù)和通行能力比Webster法分別提高了5.6%、10.2%、20.6%，交叉口得到了更好的控制，其服務水平也相應的提高了。自適應遺傳算法不到50次接近收斂，普通遺傳算法要150多次才接近收斂，自適應遺傳算法相比遺傳算法收斂速度有較大的提高，自適應遺傳算法的交通配時優(yōu)延誤，停車次數(shù)，通行能力比遺傳算法方法分別提高了1.36%，2.12%，2.44%。自適應遺傳算法相對遺傳算法能更快速、準確地尋找出信號優(yōu)化控制參數(shù)。

5 結(jié)語

本文研究了城市節(jié)點中交通信號配時及多目標優(yōu)化問題，提出了一種多目標信號控制目標函數(shù)，并引入了自適應遺傳算法求解多目標最優(yōu)解問題。實例仿真表明，所提交叉口信號控制方法使得路口信號配時得到了優(yōu)化控制，渠化設計后交叉口的平均延誤控制在36.5s以下，服務水平由F級上升到C級，交叉口得到明顯改善。

參考文獻

[1]馬瑩瑩，楊曉光，曾瀅.信號控制交叉口周期時長多目標優(yōu)化模型及求解[J].同濟大學學報（自然科學版），2009，37（6）：761-765.

[2]王維國，宋陽，郭多祚.一種求解混合多目標規(guī)劃問題的功效系數(shù)法[J].運籌與管，2007，16（4）：23-27.

[3]劉春旭.復雜路口實時信號控制技術的研究[D].重慶：重慶交通大學，2013.endprint